J’analyse des données avec DeepSeek : ~90 % de décisions validées du premier coup

En analytics, le goulot n’est pas le calcul mais clarifier quoi mesurer. Je passais deux jours/semaine en SQL/Excel avec des retours fréquents. Après DeepSeek V4 dans un flux fixe (extraction, métier, ossature), l’acceptation du premier jet est passée de ~45 % à ~90 % en trois mois (même grille, 12 revues).

Si vous cherchez deepseek v4, le site officiel deepseek ou un tutoriel deepseek, ce guide couvre positionnement, trois routes, prompts et gains de précision.

1. Bien positionner DeepSeek : assistant d’analyse, pas usine à rapports

Beaucoup traitent les LLM comme du « BI en langage naturel » : une question sur le GMV et ils attendent graphiques et verdict. En pratique : SQL qui casse, métriques incohérentes, conclusions sans contexte métier.

Meilleur cadrage : DeepSeek est un assistant d’analyse—SQL fiable, contexte métier, découpage de questions floues en cadres testables. Présentation et validation finale restent humaines et BI.

Scénario	Erreur fréquente	Meilleure approche
Cause racine	« Pourquoi la baisse ? » en espérant ChatBI	Fixer métrique et fenêtre ; Route 1 SQL pour tester les hypothèses
Débutants	Questions trop larges	Route 3 : 3–5 sous-questions avec champs et sortie
Ingénieurs	SQL seul sans schéma	Coller DDL + sens des champs + filtres—deepseek v4 améliore le SQL du premier coup

2. Trois routes que j’utilise à chaque fois

Route 1 : schéma + définition métrique → SQL rapide et précis

Avec DeepSeek V4, DDL, clés/partitions et brief clair (quoi mesurer, période, dédoublonnage), SQL exécutable en moins d’une minute en général. Je demande SELECT uniquement, commentaires et hypothèses listées.

Le long contexte aide sur les JOIN multi-tables : collez 3–5 tables liées d’un coup.

Attention : le modèle ignore la qualité des données. Sémantique floue ou définitions métier imprécises → mauvais chiffres malgré un beau SQL—l’humain fixe exigences et critères d’acceptation.

Route 2 : compléter vite le contexte métier

Sur une table inconnue, ces 5 étapes font lire les chiffres comme une histoire à deepseek v4 :

1. Objet métier et métrique clé : une ligne = quoi ? revenu, production, rétention ?
2. Métriques de processus : étapes observables de l’entrée à la conversion ?
3. Saisonnalité : jour, fêtes, pics/creux ?
4. Coupes structurelles : région, canal, catégorie, segment—par quoi commencer ?
5. Référence secteur : ordres de grandeur ou drivers habituels ?

Exemple : production de bière

Étape 1 (web on) : « Résumez tendances de production, coûts et saisonnalité bière Chine (3 ans)—contexte d’analyse. »

Étape 2 (web off, échantillon) : « Avec brew_daily (date, plant_id, output_kl, energy_cost), listez 5 questions prioritaires via les 5 étapes Route 2 et champs requis. »

Route 3 : décomposer la question, poser le cadre

Évitez « nos prix sont-ils bons ? ». Avec DeepSeek V4, scindez la décision en 3–5 sous-questions testables—tables, dimensions, format (table/JSON).

Exemple : élasticité prix

Décision : « Hausse de 5 % en Chine orientale ? »

Découpage :

• A : volume et marge autour des hausses sur 12 mois ? (price_history, sales)
• B : bandes de prix concurrents ? (web pour synthèse secteur)
• C : élasticité clients fidèles vs nouveaux ? (customer_segment)

Façon de demander	Qualité	Cas d’usage
Une phrase vague	Générique	Brainstorm
Sous-question + table + champs	SQL/table prêts	Revues hebdo
Sous-question + modèle JSON	Pipeline code/graphiques	Reporting auto, AB tests

3. Passer de ~40 % à ~90 % de précision décisionnelle

Gain via boucle de vérification : (1) schéma et définitions ; (2) reformulation des métriques ; (3) tables Markdown ou JSON ; (4) rapprochement humain ~10 %. Après ~3 mois, les erreurs passent de « mauvaise métrique » à « pourrait aller plus vite ».

Même grille, 12 réunions hebdo :

Indicateur	Avant	Après (~3 mois)
SQL utilisable du premier coup	~55 %	~88 %
Mémo hebdo accepté du premier coup	~45 %	~90 %
Heures de retouche/semaine	~16 h	~5 h

4. Modèles de prompts à copier

Modèle 1 : extraction SQL

Assistant SQL données. Schéma :

-- coller DDL

Besoin : GMV journalier Chine orientale 2025-01-01–2025-03-31 (TTC, payé, dedup order_id). Sortie : SELECT seul, commentaires, 3 hypothèses métriques.

Modèle 2 : contexte métier

Pièce jointe : dictionnaire {table_name} + 100 lignes échantillon. Objet/métriques → entonnoir → saisonnalité → structure → secteur : 5 questions prioritaires avec champs et validation.

Modèle 3 : cadre d’analyse

Décision : {question métier une ligne} Tables : {noms et champs clés} Découper en 3–5 sous-questions : hypothèse, esquisse SQL, dimension, sortie (table Markdown ou JSON).

5. Pièges que j’ai rencontrés

• ChatBI sans fondation data : métriques floues aggravent le NL—documentez le schéma (Route 1) d’abord.
• Prompts vagues : « analyse ça » délègue la réflexion—fenêtre, entité, critère de succès obligatoires.
• Faire confiance sans vérifier : confiance ≠ exactitude—rapprochez 10 % des lignes avant la réunion.
• Ignorer la doc du site officiel deepseek : web, long contexte, uploads évoluent—consultez le site officiel deepseek et le tutoriel deepseek.

6. Synthèse

DeepSeek V4 comme assistant d’analyse : Route 1 SQL, Route 2 contexte, Route 3 cadres, boucle de vérif pour ~90 % d’acceptation au premier passage. Démarrez sur le site officiel deepseek et un tutoriel deepseek, puis copiez les trois modèles.